De Dubbele Last: Klimaatverandering, CO2-uitstoot en de Impact op Wereldwijde Voedselzekerheid¶

Klimaatverandering laat zich op veel manieren zien. De stijging van de wereldwijde temperatuur en het toenemende aantal extreme weersomstandigheden zijn daar de bekendste voorbeelden van. Deze veranderingen worden grotendeels veroorzaakt door menselijke CO2-uitstoot.
Maar de gevolgen beïnvloeden niet alleen het klimaat. Ze hebben ook directe en vaak oneerlijke impact op mensen, vooral op het gebied van voedselzekerheid. In dit project onderzoeken we het verband tussen de oorzaak (uitstoot) en het gevolg (voedselproductie), en hoe deze geografisch en sociaal verdeeld zijn.

We gebruiken hiervoor twee datasets:

  • een uitgebreide dataset van Our World in Data over CO2-uitstoot per land, per jaar en per sector.
  • een dataset van de FAO over wereldwijde gewasopbrengsten, uitgesplitst per gewas, land en jaar.

Om dit grotere verhaal te onderzoeken, bekijken we de data vanuit twee afzonderlijke perspectieven: eerst de wereldwijde uitstoot, vervolgens de ontwikkeling van landbouwopbrengsten.

Perspectief 1: Wie is verantwoordelijk voor de wereldwijde CO2-uitstoot?¶

In dit perspectief richten we ons op de oorzaakkant van klimaatverandering: de uitstoot van CO2. De centrale vraag is: hoe is de wereldwijde uitstoot verdeeld, en wat valt daarin op als je kijkt naar tijd, landen, bevolkingsgrootte en economische activiteit?

We gebruiken hiervoor de CO2-dataset van Our World in Data, die data bevat vanaf 1750 tot nu. Deze dataset geeft ons per land en per jaar informatie over:

  • totale CO2-uitstoot
  • uitstoot per hoofd van de bevolking
  • uitstoot uitgesplitst naar bron (bijv. kolen, olie, gas, cement, flaring)
  • bevolkingscijfers
  • enkele sociaaleconomische indicatoren

Wat we willen laten zien (onze argumenten):¶

Absolute uitstootverschillen tussen landen
→ Sommige landen zijn verantwoordelijk voor een veel groter aandeel in de totale uitstoot dan anderen.

Uiteenlopende uitstoot per hoofd van de bevolking
→ Er zijn landen met relatief weinig inwoners die toch een hoge uitstoot per persoon hebben.

Ontwikkeling van wereldwijde uitstoot over de tijd
→ De uitstoot is vooral sinds 1950 sterk toegenomen, parallel aan industrialisering.

Belangrijkste economische bronnen van uitstoot
→ Energie, industrie, transport en andere sectoren dragen in wisselende mate bij aan de uitstoot.

Visualisaties die we hierbij willen gebruiken:¶

  • Staafdiagrammen voor ranglijsten van landen (absoluut en per hoofd)
  • Tijdreeksen van uitstootontwikkeling per land en wereldwijd
  • Geografische kaarten van uitstoot per land
  • Stacked bar charts voor uitstoot per sector of bron

We doen in dit perspectief geen uitspraken over gevolgen of ethische vragen. We onderzoeken hier wie, wanneer en hoe veel uitstoot produceert en wat daarvan zichtbaar wordt in de data.

Perspectief 2: Hoe ontwikkelt de voedselproductie zich wereldwijd over tijd en per regio?¶

In dit perspectief kijken we niet naar oorzaken, maar puur naar de productie van voedsel. Meer specifiek gaat het om de ontwikkeling van de opbrengsten van belangrijke gewassen over de tijd en in verschillende regio’s. De centrale vraag is: wat zien we gebeuren met landbouwopbrengsten wereldwijd, en hoe verschillen die trends per regio, gewas en tijdsperiode?

We gebruiken hiervoor de gewasopbrengst-dataset van de Food and Agriculture Organization (FAO). Deze dataset bevat per land, gewas en jaar:

  • totale productie
  • opbrengst per hectare
  • totaal geoogst areaal

We focussen op gewassen als rijst, maïs, tarwe en soja. Dit zijn namelijk gewassen die essentieel zijn voor voedselzekerheid in grote delen van de wereld.

Wat we willen laten zien (onze argumenten):¶

Trends in opbrengst over tijd
→ In sommige landen stijgt de opbrengst gestaag, in andere juist niet.

Verschillen tussen regio’s of landen
→ Opbrengsten veranderen niet overal op dezelfde manier. Sommige regio’s lopen achter of zijn minder stabiel.

Onderscheid tussen gewassen
→ Niet alle gewassen ontwikkelen zich hetzelfde. Sommige zijn gevoeliger voor veranderingen in de omgeving dan andere.

Structurele instabiliteit in opbrengsten
→ In sommige landen schommelen de opbrengsten sterk, wat kan betekenen dat de omstandigheden daar kwetsbaar of onbetrouwbaar zijn.

Visualisaties die we hierbij willen gebruiken:¶

  • Tijdreeksen van opbrengst per gewas en per land
  • Vergelijkende staafdiagrammen per gewas/regio
  • Geografische kaarten van gemiddelde opbrengst per gewas
  • Boxplots of spreidingsdiagrammen voor fluctuaties in opbrengst

In dit perspectief richten we ons volledig op wat de data laat zien en vermijden we uitspraken over oorzaken. Het onderzoek draait om wat er gebeurt, waar het gebeurt, wanneer het gebeurt en in welke mate.

Argumenten perspectief 1¶

Welke landen stoten het meeste CO2 uit in absolute termen in 2023?¶

Deze grafiek toont welke landen in absolute zin de meeste CO₂ uitstoten in 2023.

In [151]:
co2_countries_only = co2_2023[co2_2023['iso_code'].str.len() == 3]
top_emitters = co2_countries_only.groupby('country')['co2'].sum().sort_values(ascending=False)
top10 = top_emitters.head(10)

plt.figure(figsize=(10,6))
top10.plot(kind='bar')
plt.title('Top 10 landen met hoogste CO₂-uitstoot in 2023')
plt.ylabel('CO₂-uitstoot (miljoen ton)')
plt.xlabel('Land')
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y')
plt.tight_layout()
plt.show()
No description has been provided for this image

Observatie en interpretatie

Deze visualisatie laat de tien landen zien die in 2023 de meeste CO2 uitstootten, gemeten in absolute aantallen. Wat opvalt is dat China met afstand bovenaan staat, gevolgd door de Verenigde Staten en India. Samen zijn deze drie landen verantwoordelijk voor een groot deel van de wereldwijde uitstoot. Daarna komt een groep landen met lagere, maar nog steeds hoge emissies, zoals Rusland, Japan en Duitsland.

Relevantie

De grafiek maakt duidelijk dat de wereldwijde uitstoot van CO2 zeer ongelijk is verdeeld. Een klein aantal landen is verantwoordelijk voor het grootste deel van de totale uitstoot.

Welke bron zorgde in 2023 voor de meeste wereldwijde CO2-uitstoot?¶

In [153]:
import matplotlib.pyplot as plt

bron_co2 = co2_2023[co2_2023['year'] == 2023]

bron_co2_sum = bron_co2[['coal_co2', 'oil_co2', 'gas_co2', 'cement_co2']].sum()

plt.figure(figsize=(6, 4))
bron_co2_sum.plot(kind='bar')
plt.title('Wereldwijde CO₂-uitstoot per bron in 2023')
plt.ylabel('CO₂-uitstoot (miljoen ton)')
plt.xticks(rotation=45, ha='right')
plt.grid(axis='y')
plt.tight_layout()
plt.show()
No description has been provided for this image

De meeste CO₂-uitstoot in 2023 komt van het verbranden van kolen. Daarna volgen olie en gas. Cement zorgt voor een kleinere, maar nog steeds belangrijke hoeveelheid uitstoot. Cement draagt veel minder bij, maar is nog steeds verantwoordelijk voor een deel van de totale uitstoot. Het verschil tussen kolen en de andere bronnen is duidelijk zichtbaar. Deze grafiek ondersteunt het argument dat je naar uitstoot per hoofd moet kijken om verantwoordelijkheden eerlijker te verdelen — en dat kleine, welvarende of olieproducerende landen in dat opzicht een buitenproportionele rol spelen.

Welke landen stoten het meeste CO2 uit per hoofd van de bevolking in 2023?¶

In [148]:
co2_2023 = pd.read_csv("owid-co2-data.csv")

co2_countries = co2_2023[co2_2023['iso_code'].str.len() == 3]

co2_2023_only = co2_countries[co2_countries['year'] == 2023]
co2_2023_only = co2_2023_only.dropna(subset=['co2_per_capita'])

top10_per_capita = co2_2023_only.sort_values(by='co2_per_capita', ascending=False).head(10)

In plaats van de totale uitstoot per land, focust deze grafiek op de uitstoot per persoon. Hiermee zie je welke landen per inwoner de zwaarste ecologische voetafdruk hebben.

In [150]:
plt.figure(figsize=(10,6))
bars = plt.bar(top10_per_capita['country'], top10_per_capita['co2_per_capita'])
plt.title('Top 10 landen met hoogste CO₂-uitstoot per hoofd van de bevolking (2023)')
plt.ylabel('CO₂-uitstoot per persoon (ton)')
plt.xlabel('Land')
plt.xticks(rotation=30, ha='right')
plt.grid(axis='y')
plt.tight_layout()

for bar in bars:
    yval = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2, yval + 0.1, f'{yval:.1f}', ha='center', va='bottom')

plt.show()
No description has been provided for this image

Observatie en interpretatie

De landen met de hoogste uitstoot per persoon in 2023 zijn opvallend genoeg geen grote economieën, maar kleinere staten met een hoge fossiele energieconsumptie. Bovenaan de lijst staat Qatar met een duidelijke voorsprong op de rest, gevolgd door onder andere Brunei, Bahrein en Trinidad & Tobago. Veel van deze landen hebben een lage bevolkingsdichtheid, maar produceren of verbruiken extreem veel energie per inwoner. Opvallend is ook dat landen met een grote absolute uitstoot, zoals China of India, hier juist niet voorkomen.

Relevantie

Deze grafiek maakt duidelijk dat het belangrijk is om naar uitstoot per hoofd van de bevolking te kijken als je verantwoordelijkheden eerlijk wilt verdelen. In verhouding tot hun grootte dragen kleine, welvarende of olieproducerende landen opvallend veel bij.

Hoe is de CO2-uitstoot van China veranderd sinds 1950?¶

Deze tijdlijn toont hoe de CO2-uitstoot van China zich sinds 1950 heeft ontwikkeld. Het geeft inzicht in de rol van China door de jaren heen in de wereldwijde uitstoot.

In [ ]:
df = pd.read_csv("owid-co2-data.csv")
china = df[(df['country'] == 'China') & (df['year'] >= 1950)]
china = china.dropna(subset=['co2'])

plt.figure(figsize=(10,6))
plt.plot(china['year'], china['co2'], marker='o')
plt.title('CO₂-uitstoot in China (1950–2023)')
plt.xlabel('Jaar')
plt.ylabel('CO₂-uitstoot (miljoen ton)')
plt.grid(True)
plt.tight_layout()
plt.show()
No description has been provided for this image

We hebben in dit geval bewust voor China gekozen, omdat het in eerdere visualisaties al duidelijk naar voren kwam als het land met de hoogste uitstoot in absolute zin. Daarnaast is China een interessant voorbeeld omdat de link tussen economische groei en uitstoot daar heel zichtbaar is. Het land begon relatief laat met industrialiseren, maar maakte daarna een indrukwekkende inhaalslag. Juist daardoor is de uitstootontwikkeling door de jaren heen goed te volgen én relevant voor het grotere verhaal over hoe uitstoot wereldwijd verdeeld is en welke rol economische ontwikkeling daarin speelt.

Observatie en interpretatie

De uitstoot van China laat een opvallend patroon zien. Tot ongeveer 1980 bleef de uitstoot relatief laag en nam die slechts langzaam toe. Maar vanaf het einde van de jaren 90 begint een snelle en aanhoudende stijging, die duidelijk samenhangt met de sterke economische groei en industrialisatie van het land. Rond 2000 wordt die versnelling echt zichtbaar en sindsdien blijft de lijn vrijwel ononderbroken omhoog gaan.

Relevantie

Deze visualisatie maakt goed zichtbaar hoe economische groei en industrialisatie van invloed zijn op de uitstoot van CO2. In het geval van China wordt die relatie heel concreet. Het laat zien hoe economische ontwikkeling direct terug te zien is in de uitstootcijfers door de tijd heen.

Reflectie: wat vertellen deze visualisaties ons samen¶

De drie visualisaties binnen dit perspectief maken duidelijk hoe ongelijk de wereldwijde uitstoot van CO2 verdeeld is, en hoe sterk dat beeld verandert afhankelijk van de invalshoek. Wanneer we kijken naar de absolute uitstoot per land in 2023, staat China bovenaan, gevolgd door India en de Verenigde Staten. Maar zodra we de uitstoot per hoofd van de bevolking bekijken, verschuift het beeld volledig. Dan komen kleine, fossielrijke landen zoals Qatar en Bahrein opeens bovenaan te staan.

De derde visualisatie, een tijdreeks van de Chinese uitstoot sinds 1950, laat zien dat uitstoot geen vast gegeven is, maar juist samenhangt met economische groei en industrialisering. De sterke toename in uitstoot valt vrijwel samen met de periode waarin China zich snel economisch ontwikkelde.

Door deze drie visualisaties naast elkaar te leggen, komt er een rijker en meer compleet beeld naar voren. We laten zowel de absolute als de relatieve uitstoot zien en de ontwikkeling daarvan over tijd. Dat helpt om beter te begrijpen hoe de verantwoordelijkheid voor klimaatverandering verdeeld is en hoe complex die vraag eigenlijk is.

Het antwoord op de vraag wie het meest bijdraagt aan klimaatverandering hangt af van hoe je kijkt. In absolute zin is China de grootste uitstoter. Maar per hoofd van de bevolking zijn het juist kleinere landen met een hoge fossiele afhankelijkheid die bovenaan staan. Door verschillende manieren van meten naast elkaar te leggen, ontstaat een eerlijker en vollediger beeld van wereldwijde uitstootpatronen. Die context is onmisbaar om de ongelijkheid in klimaatimpact goed te kunnen begrijpen, iets waar het tweede perspectief dieper op ingaat.

Argumenten perspectief 2¶

In [ ]:
fao = pd.read_csv('Production_Crops_Livestock_E_All_Data.csv', low_memory=False)
fao.head()
jaar_kolommen = [col for col in fao.columns if col.startswith('Y')]
meta_kolommen = ['Area', 'Item', 'Element', 'Unit']
fao_melted = pd.melt(fao,
                     id_vars=meta_kolommen,
                     value_vars=jaar_kolommen,
                     var_name='Year',
                     value_name='Value')

fao_melted['Year'] = fao_melted['Year'].str.extract('(\d{4})').astype(int)

fao_melted.head()
Out[ ]:
Area Item Element Unit Year Value
0 Afghanistan Almonds, in shell Area harvested ha 1961 0.0
1 Afghanistan Almonds, in shell Yield kg/ha 1961 NaN
2 Afghanistan Almonds, in shell Production t 1961 0.0
3 Afghanistan Anise, badian, coriander, cumin, caraway, fenn... Area harvested ha 1961 NaN
4 Afghanistan Anise, badian, coriander, cumin, caraway, fenn... Yield kg/ha 1961 NaN
In [ ]:
landen = ['India', 'Nigeria', 'United States of America']
tarwe_drie_landen = tarwe_yield[tarwe_yield['Area'].isin(landen)]
tarwe_drie_landen.groupby('Area')['Value'].count()
Out[ ]:
Area
India                       126
Nigeria                     126
United States of America    252
Name: Value, dtype: int64

In deze grafiek vergelijken we de tarwe-opbrengst per hectare in drie landen over tijd. Het laat zien hoe efficiëntie en landbouwpraktijken per land verschillen en evolueren.

In [ ]:
tarwe_drie_landen.loc[:, 'Year'] = tarwe_drie_landen['Year'].astype(int)
tarwe_drie_landen.loc[:, 'Value'] = pd.to_numeric(tarwe_drie_landen['Value'], errors='coerce')

plt.figure(figsize=(12, 6))

for land in landen:
    subset = tarwe_drie_landen[(tarwe_drie_landen['Area'] == land) & (tarwe_drie_landen['Value'].notna())]
    plt.plot(subset['Year'], subset['Value'], label=land)

plt.title('Ontwikkeling van tarwe-opbrengst (kg/ha) per land (1961–2023)')
plt.xlabel('Jaar')
plt.ylabel('Opbrengst (kg/ha)')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
No description has been provided for this image

De grafiek laat zien hoe de tarwe-opbrengst per hectare zich heeft ontwikkeld van 1961 tot 2023 in India, Nigeria en de Verenigde Staten. De opbrengst in India stijgt gestaag. In de VS is de opbrengst hoog, maar met veel schommelingen. Nigeria laat een onregelmatig patroon zien, met periodes van daling en herstel.

Hoe is de tarwe-opbrengst (kg/ha) wereldwijd verdeeld in 2023?¶

Hier zie je de verdeling van tarwe-opbrengsten wereldwijd in 2023. De boxplot laat zien dat sommige landen duidelijk hogere opbrengsten halen dan het wereldgemiddelde.

In [ ]:
import seaborn as sns

tarwe_2023 = tarwe_yield[tarwe_yield['Year'] == 2023]
tarwe_2023 = tarwe_2023[tarwe_2023['Value'].notna()]  # Verwijder lege waarden

tarwe_2023_clean = tarwe_2023.copy()
tarwe_2023_clean['Value'] = pd.to_numeric(tarwe_2023_clean['Value'], errors='coerce')
tarwe_2023_clean = tarwe_2023_clean.dropna(subset=['Value'])

plt.figure(figsize=(8, 6))
sns.boxplot(x=tarwe_2023_clean['Value'], orient='h')
plt.title('Spreiding van tarwe-opbrengst (kg/ha) per land in 2023')
plt.xlabel('Opbrengst (kg per hectare)')
plt.tight_layout()
plt.show()
No description has been provided for this image

Observatie en interpretatie

De meeste landen zitten qua tarwe-opbrengst in 2023 tussen grofweg 1.000 en 4.000 kg per hectare. De mediaan ligt iets boven de 2.500 kg/ha.

Toch zijn er duidelijke uitschieters zichtbaar: een klein aantal landen produceert structureel meer dan 8.000 kg/ha en één land zelfs bijna 10.000. Aan de onderkant zijn er ook landen met extreem lage opbrengsten, die net boven de nul liggen.

Er is sprake van een grote variatie in landbouwproductiviteit wereldwijd, zelfs als we alleen naar tarwe kijken.

Relevantie

Deze visualisatie maakt direct zichtbaar hoe ongelijk de tarwe-opbrengsten verdeeld zijn over verschillende landen. Dat inzicht is belangrijk om te begrijpen welke landen kwetsbaarder zijn en minder veerkracht hebben. Als opbrengsten al laag zijn, is er weinig speelruimte bij tegenvallende oogsten of klimaatschokken. De verschillen in opbrengst maken duidelijk dat voedselzekerheid geen universeel probleem is, maar sterk afhankelijk van de geografische context. Sommige landen blijven daarbij structureel achter.

In [ ]:
fao_long = fao.melt(
    id_vars=['Area', 'Item', 'Element', 'Unit'],
    var_name='Year',
    value_name='Value'
)

fao_long['Year'] = fao_long['Year'].str.extract('(\d{4})')
fao_long['Year'] = pd.to_numeric(fao_long['Year'], errors='coerce')
fao_long = fao_long.dropna(subset=['Year', 'Value'])
In [ ]:
gewassen = ['Wheat', 'Rice, paddy', 'Maize']
land = 'India'

gewassen_india = fao_long[
    (fao_long['Item'].isin(gewassen)) &
    (fao_long['Area'] == land) &
    (fao_long['Element'] == 'Yield')
].copy()

gewassen_india = gewassen_india.sort_values(by='Year')
gewassen_india['Value'] = pd.to_numeric(gewassen_india['Value'], errors='coerce')
gewassen_india = gewassen_india.dropna(subset=['Value'])
In [ ]:
gewassen_india['Item'].unique()

kolommen = ['Area', 'Item', 'Element'] + [col for col in fao.columns if col.startswith('Y')]
fao_long = fao[kolommen].melt(
    id_vars=['Area', 'Item', 'Element'],
    var_name='Year',
    value_name='Value'
)

fao_long['Year'] = fao_long['Year'].str.extract(r'Y(\d{4})').astype(int)

fao_long['Value'] = pd.to_numeric(fao_long['Value'], errors='coerce')
fao_long = fao_long.dropna(subset=['Value'])

Deze wereldkaart toont per land hoeveel tarwe per hectare werd geoogst in 2023. Het helpt visueel inzicht te krijgen in welke regio’s het meest productief zijn.

In [ ]:
import plotly.express as px

tarwe_2023_kaart = fao_long[
    (fao_long['Item'] == 'Wheat') &
    (fao_long['Element'] == 'Yield') &
    (fao_long['Year'] == 2023)
].copy()

fig = px.choropleth(
    tarwe_2023_kaart,
    locations='Area',
    locationmode='country names',
    color='Value',
    hover_name='Area',
    color_continuous_scale='YlGn',
    title='Tarwe-opbrengst (kg/ha) per land in 2023'
)

fig.show()

De kaart laat zien hoe de tarwe-opbrengst per hectare in 2023 verschilt tussen landen. Vooral landen in Noord-Amerika, Europa en delen van Azië hebben hoge opbrengsten. In Afrika en delen van Zuid-Amerika zijn de opbrengsten gemiddeld lager. Dit benadrukt de ongelijkheid in landbouwproductiviteit wereldwijd.

Conclusie¶

In dit project hebben we onderzocht hoe CO₂-uitstoot en voedselproductie verdeeld zijn over de wereld. Daarbij keken we naar twee perspectieven: wie verantwoordelijk is voor de uitstoot van CO₂, en hoe de opbrengst van voedselgewassen zich wereldwijd ontwikkelt. We baseerden ons op twee grote datasets: één van Our World in Data over CO₂-uitstoot, en één van de FAO over landbouwopbrengsten. Door beide datasets te combineren, konden we laten zien hoe ongelijk de wereld verdeeld is op het gebied van vervuiling én voedselzekerheid.

In het eerste perspectief richtten we ons op de oorzaak van klimaatverandering, namelijk de uitstoot van CO₂. We onderzochten hoe die uitstoot verschilt per land, per persoon en over de tijd. Uit de visualisaties bleek dat sommige landen veel meer uitstoten dan andere. De Verenigde Staten en China zijn daar voorbeelden van. Maar wanneer we kijken naar de uitstoot per persoon, zien we dat kleinere, rijke landen zoals Qatar, Brunei en Bahrein de hoogste waarden hebben. Zij hebben weinig inwoners, maar gebruiken veel energie. Daardoor is hun uitstoot per persoon heel hoog. Ook zagen we dat China sinds ongeveer 2000 een sterke toename in uitstoot laat zien. Dat sluit aan bij de economische groei van het land in die periode. Deze groei heeft dus niet alleen invloed op de welvaart, maar ook op de druk op het klimaat.

In het tweede perspectief keken we juist naar de gevolgen van klimaatverandering, namelijk de verschillen in voedselproductie. We gebruikten daarvoor gegevens over de opbrengst van gewassen zoals tarwe, rijst en mais. We hebben vooral ingezoomd op tarwe en gekeken naar hoe de opbrengst per hectare zich ontwikkelt in landen als India, Nigeria en de Verenigde Staten. De VS laat al jaren een stabiel hoge opbrengst zien. In India is de opbrengst sinds de jaren 60 flink gestegen, wat waarschijnlijk te maken heeft met landbouwverbeteringen zoals de Groene Revolutie. In Nigeria zijn de opbrengsten veel onregelmatiger. Ze schommelen van jaar tot jaar, wat kan komen door droogte, economische onzekerheid of een gebrek aan technologie. Deze verschillen laten zien dat niet elk land even goed in staat is om voedselzekerheid te garanderen.

De wereldkaart met tarwe-opbrengst in 2023 laat nog duidelijker zien hoe ongelijk de wereld verdeeld is. In Noord-Amerika, Europa en delen van Azië zijn de opbrengsten per hectare hoog. In veel Afrikaanse landen en enkele Zuid-Amerikaanse landen zijn de opbrengsten juist laag. Dit kan komen door slechtere toegang tot irrigatie, kunstmest, kennis of stabiel weer. De boxplot bevestigt dat verschil, met een brede spreiding tussen lage en hoge opbrengsten. Sommige landen halen meer dan 8000 kg tarwe per hectare, terwijl anderen amper boven de 1000 kg komen.

Door de combinatie van deze twee onderwerpen (uitstoot en voedselproductie) zie je goed waar de grootste verschillen liggen. Sommige landen zorgen voor veel CO₂-uitstoot én hebben tegelijk een hoge landbouwproductie. Andere landen dragen weinig bij aan de uitstoot, maar hebben ook minder middelen om voedsel efficiënt te produceren. Dat betekent dat de lasten van klimaatverandering niet eerlijk verdeeld zijn. Landen die het minst bijdragen aan het probleem, zijn vaak juist het meest kwetsbaar voor de gevolgen.

De cijfers maken duidelijk dat er grote verschillen zijn tussen landen, in verantwoordelijkheid én in weerbaarheid. Wie het meeste vervuilt, heeft vaak ook de middelen om zich aan te passen. Wie het minst uitstoot, heeft die middelen niet altijd. Dit zijn belangrijke inzichten als we nadenken over oplossingen voor klimaatverandering en wereldwijde voedselzekerheid.

Dataset and Preprocessing¶

Voor dit project hebben we gebruikgemaakt van twee verschillende datasets, afkomstig van internationaal erkende bronnen: Our World in Data (OWID) en de Food and Agriculture Organization (FAO). We hebben deze datasets gekozen omdat ze beide rijk zijn aan variabelen, betrouwbaar zijn en data bevatten die relevant zijn voor meerdere perspectieven op klimaatongelijkheid.

Selectie van de datasets¶

We hebben bewust gekozen voor een combinatie van een klimaatdataset (OWID) en een voedselproductiedataset (FAO) omdat we op die manier de relatie kunnen leggen tussen uitstoot, economische ontwikkeling en voedselzekerheid. Deze verbinding maakt het mogelijk om vanuit verschillende invalshoeken (per land, per hoofd van de bevolking, over tijd) naar mondiale ongelijkheid te kijken. De OWID-dataset bevat data over CO₂-uitstoot per land, per capita, per sector, en over tijd. De FAO-dataset geeft inzicht in gewasopbrengsten, geoogste oppervlakte en productievolumes per land en jaar.

Voorbewerking van de data¶

De datasets zijn in eerste instantie ingeladen als ruwe CSV-bestanden. Vervolgens hebben we de volgende stappen uitgevoerd om ze geschikt te maken voor analyse:

  • Filtering: We hebben enkel de kolommen behouden die relevant zijn voor onze onderzoeksvragen. Zo hebben we in de OWID-dataset bijvoorbeeld alleen gewerkt met ‘co2’, ‘co2_per_capita’, ‘year’, en ‘country’. In de FAO-dataset beperkten we ons tot metingen van ‘Yield’ (opbrengst per hectare).
  • Schoonmaak: Omdat beide datasets erg groot zijn en inconsistenties bevatten (zoals tekstwaarden in numerieke kolommen, bijvoorbeeld de letter ‘E’ of ‘A’), hebben we ‘Value’-kolommen geconverteerd naar numeriek formaat met pd.to_numeric(..., errors='coerce'), en vervolgens alle lege of foutieve waarden verwijderd.
  • Herschikking: In de FAO-dataset stonden de jaartallen als kolomnamen (bijvoorbeeld ‘Y2023’), waardoor we deze eerst moesten transponeren of herstructureren om de dataset bruikbaar te maken voor tijdreeksen. We hebben het formaat omgezet naar een long format, zodat elke rij één specifieke observatie bevat: een land, een jaar en een opbrengst.
  • Selectie op land en jaar: Voor sommige visualisaties hebben we enkel landen opgenomen met gegevens voor het jaar 2023. Voor tijdreeksen hebben we landen geselecteerd die consistente data beschikbaar hebben over langere perioden (bijv. 2000–2023).

Variabelen¶

De belangrijkste variabelen die we hebben gebruikt zijn:

  • Jaar: Het kalenderjaar van de meting. In beide datasets varieert dit van de jaren 1960 tot 2023.
  • Land: Het geografische gebied waarop de meting betrekking heeft. Dit kan een land zijn, maar in de FAO-dataset ook een regio.
  • CO₂-uitstoot (absoluut): Totaal uitgestoten hoeveelheid CO₂ in megatonnen per land per jaar.
  • CO₂-uitstoot per hoofd: Relatieve uitstoot per inwoner, nuttig voor het zichtbaar maken van ongelijkheden tussen rijkere en armere landen.
  • Tarwe-opbrengst per hectare (‘Yield’): De hoeveelheid tarwe (in kg) geoogst per hectare landbouwgrond. Deze variabele is een goede indicator voor de efficiëntie van voedselproductie.
  • Productievolume en geoogst oppervlak (optioneel): Voor aanvullende analyses, bijvoorbeeld om verschillen in landbouwstructuur beter te begrijpen.

Aggregaties¶

Om betekenisvolle inzichten te genereren, hebben we verschillende aggregaties toegepast:

  • CO₂-analyse:
    • We maakten staafdiagrammen en kaarten die landen rangschikken op basis van hun totale en relatieve uitstoot in 2023.
    • We selecteerden de top 15 landen met de hoogste uitstoot in absolute en relatieve termen, en onderzochten hun onderlinge verschillen.
    • Voor China hebben we een tijdreeks gemaakt van 2000 tot 2023 om de relatie tussen economische groei en uitstoot zichtbaar te maken.
  • Voedselproductie-analyse:
    • We hebben voor tarwe een wereldwijde boxplot gegenereerd om de spreiding in opbrengsten per hectare te laten zien.
    • We berekenden per land het verschil in opbrengst tussen 2000 en 2023 (zowel in absolute kg als in procentuele groei).
    • Deze verschillen zijn vervolgens gerangschikt in top 10-lijsten van sterkste stijgers en dalers.
    • Daarnaast maakten we een kaart waarin de opbrengst in 2023 per land wordt weergegeven, om visueel te laten zien welke landen het meeste per hectare produceren. Door deze bewerkingen en aggregaties konden we een aantal boeiende patronen zichtbaar maken, zoals hoe relatieve uitstoot sterk verschilt van absolute uitstoot, en hoe bepaalde landen in de afgelopen decennia enorme stappen hebben gezet in landbouwproductie — vaak met implicaties voor klimaatimpact. De combinatie van datavisualisatie, aggregatie en filtering stelde ons in staat om de onderzoeksvragen per perspectief scherp en onderbouwd te beantwoorden.